auto.arima không nhận ra mô hình theo mùa


8

Tôi có một bộ dữ liệu thời tiết hàng ngày, không có gì đáng ngạc nhiên, ảnh hưởng theo mùa rất mạnh.

nhập mô tả hình ảnh ở đây

Tôi đã điều chỉnh mô hình ARIMA cho tập dữ liệu này bằng hàm auto.arima từ gói dự báo. Thật ngạc nhiên, chức năng này không áp dụng bất kỳ hoạt động theo mùa nào - sự khác biệt theo mùa, thành phần ar hoặc ma theo mùa. Đây là mô hình mà nó ước tính:

library(forecast)
data<-ts(data,frequency=365)
auto.arima(Berlin)

Series: data
ARIMA(3,0,1) with non-zero mean 

Coefficients:
         ar1      ar2     ar3      ma1  intercept
      1.7722  -0.9166  0.1412  -0.8487   283.0378
s.e.  0.0260   0.0326  0.0177   0.0214     1.7990

sigma^2 estimated as 5.56:  log likelihood=-8313.74
AIC=16639.49   AICc=16639.51   BIC=16676.7

Và cũng là dự báo sử dụng mô hình này không thực sự thỏa mãn. Dưới đây là cốt truyện của dự báo: nhập mô tả hình ảnh ở đây

Bất cứ ai có thể cho tôi một gợi ý những gì sai ở đây?


Bạn có thể gửi mã (hoặc ví dụ tương tự) mà bạn đã sử dụng để có được đầu ra không?
rbatt

Xin chào rbat, tôi đã đăng mã tôi đã sử dụng. Dữ liệu thô được lưu trong 'dữ liệu'. Tôi đã chuyển đổi nó thành đối tượng ts trước
DatamineR

Hệ số MA (1) của bạn (-.84) đáng ngờ gần bằng -1 giới hạn khả năng đảo ngược gợi ý (với tôi) rằng bạn đã áp đặt một đặc tả mô hình xấu đối với dữ liệu không nghi ngờ. Vui lòng cung cấp một liên kết đến dữ liệu thô thực tế và tôi sẽ thử và giúp bạn sử dụng một cách tiếp cận tinh vi hơn so với phương pháp mà bạn có quyền truy cập hiện tại. Nó có thể làm sáng tỏ giải pháp cần thiết của bạn.
IrishStat

Cảm ơn IrishStat vì lời đề nghị! Tôi chỉ bối rối tại sao 'auto.arima' không ước tính ở đây một mô hình theo mùa, mặc dù tính thời vụ là rõ ràng. Nếu tôi phải ước tính một mô hình ở đây, tôi có thể sẽ loại bỏ tính thời vụ bằng phương pháp Fourier hoặc chỉ theo mùa (trong trường hợp này với độ trễ = 365) khác biệt dữ liệu. Nhưng không nên 'auto.arima' làm khác biệt thích hợp? Tôi đã cố gắng đính kèm dữ liệu, nhưng không tìm thấy khả năng nào để làm điều đó. Làm thế nào người ta có thể chèn dữ liệu trong câu hỏi?
DatamineR

Nếu bạn muốn bạn có thể gửi cho tôi một email. Đính kèm một tệp excel với thông tin ngày bắt đầu và tôi sẽ đăng nó cho nhóm. Vui lòng xem thông tin liên lạc của tôi để lấy địa chỉ email của tôi.
IrishStat

Câu trả lời:



7

Giải pháp cho vấn đề của bạn là như Rob chỉ ra là kết hợp các hiệu ứng xác định (tuần trong năm) và hiệu ứng ngẫu nhiên (cấu trúc ARIMA) trong khi cách ly những ngày bất thường và phát hiện sự hiện diện có thể của một hoặc nhiều thay đổi cấp độ và / hoặc một hoặc nhiều địa phương xu hướng thời gian. AUTOBOX, phần mềm được sử dụng để phân tích một phần do tôi phát triển để tự động cung cấp mô hình hóa mạnh mẽ cho các bộ dữ liệu như thế này.

Tôi đã đặt dữ liệu của bạn tại http://www.autobox.com/weather/weather.txt .

Acf của dữ liệu gốc sẽ nhập mô tả hình ảnh ở đâydẫn đến lựa chọn mô hình tự động của biểu mẫu nhập mô tả hình ảnh ở đây nhập mô tả hình ảnh ở đây nhập mô tả hình ảnh ở đây. Số liệu thống kê mô hình nhập mô tả hình ảnh ở đâyvới một biểu đồ còn lại của nhập mô tả hình ảnh ở đâyBiểu đồ dự báo trong 60 ngày tiếp theo được trình bày ở đây nhập mô tả hình ảnh ở đây Biểu đồ thực tế / phù hợp / dự báo được hiển thị ở đây.nhập mô tả hình ảnh ở đây

Thật thú vị khi những người khác làm theo lời khuyên của Giáo sư Hyndaman và báo cáo mô hình cuối cùng của họ với các kiểm tra chẩn đoán liên quan đến chẩn đoán dư và các xét nghiệm tham số có ý nghĩa.

Cá nhân tôi không thoải mái với đề xuất về việc thực hiện phân tích phạm vi đầu tiên (có thể / có thể bị ảnh hưởng bởi sự bất thường) và sau đó thực hiện ARIMA trên phần dư là không thể chấp nhận được vì đây không phải là giải pháp đồng thời dẫn đến 1 phương trình mà là một trình tự giả định. Phương trình của tôi sử dụng hàng tuần và cũng bao gồm AR (1) và biện pháp khắc phục cho các điểm dữ liệu bất thường.

Tất cả các phần mềm đều có những hạn chế và thật tốt khi biết chúng. Một lần nữa tôi nhắc lại lý do tại sao không ai đó cố gắng thực hiện các đề xuất của Rob và hiển thị kết quả hoàn chỉnh.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.